Wav2vec2 Large Voxpopuli Sv Swedish

🚀 Wav2vec 2.0 large-voxpopuli-sv-swedish

这是在Facebook的VoxPopuli - sv large模型基础上，使用瑞典广播、NST和Common Voice数据进行额外预训练和微调的版本，可用于自动语音识别任务。

🚀 快速开始

请注意，此模型性能更佳，且许可限制更少。

该模型是在Facebook的 VoxPopuli - sv large 模型基础上，使用瑞典广播、NST和Common Voice数据进行了额外的预训练和微调。在不使用语言模型的情况下进行评估，结果如下：NST + Common Voice测试集（占总句子的2%）的字错率（WER）为 3.95%。Common Voice测试集的字错率（WER）直接为 10.99%，使用4 - gram语言模型时为 7.82%。

使用此模型时，请确保您的语音输入采样率为16kHz。

✨ 主要特性

• 数据丰富：使用瑞典广播、NST和Common Voice数据进行额外预训练和微调。
• 性能评估：在不同测试集上有明确的字错率（WER）和字符错误率（CER）指标。

📦 安装指南

文档未提及具体安装步骤，故跳过此章节。

💻 使用示例

基础用法

import torch
import torchaudio
from datasets import load_dataset
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor
test_dataset = load_dataset("common_voice", "sv-SE", split="test[:2%]")
processor = Wav2Vec2Processor.from_pretrained("KBLab/wav2vec2-large-voxpopuli-sv-swedish")
model = Wav2Vec2ForCTC.from_pretrained("KBLab/wav2vec2-large-voxpopuli-sv-swedish")
resampler = torchaudio.transforms.Resample(48_000, 16_000)
# Preprocessing the datasets.
# We need to read the aduio files as arrays
def speech_file_to_array_fn(batch):
    speech_array, sampling_rate = torchaudio.load(batch["path"])
    batch["speech"] = resampler(speech_array).squeeze().numpy()
    return batch
test_dataset = test_dataset.map(speech_file_to_array_fn)
inputs = processor(test_dataset["speech"][:2], sampling_rate=16_000, return_tensors="pt", padding=True)
with torch.no_grad():
    logits = model(inputs.input_values, attention_mask=inputs.attention_mask).logits
predicted_ids = torch.argmax(logits, dim=-1)
print("Prediction:", processor.batch_decode(predicted_ids))
print("Reference:", test_dataset["sentence"][:2])

高级用法

文档未提及高级用法相关内容，故跳过此部分。

📚 详细文档

模型评估结果

• 任务：语音识别（automatic - speech - recognition）
• 数据集：Common Voice（sv - SE）
• 指标：
  • 测试字错率（Test WER）：10.994764
  • 测试字符错误率（Test CER）：3.946846

🔧 技术细节

此模型在1000小时的瑞典本地广播上进行了额外的预训练，在NST + CommonVoice上进行了120000次更新的微调，然后仅在CommonVoice上又进行了20000次更新的微调。在CommonVoice上的额外微调在一定程度上影响了其在NST + CommonVoice测试集上的性能，但不出所料地提高了其在CommonVoice测试集上的性能。总体而言，它的表现似乎更好（需要引用证明）。

📄 许可证

本模型使用的许可证为 cc - by - nc - 4.0。